动态规划之背包问题

最新推荐文章于 2024-07-15 09:00:00 发布

乐兮山南水北

最新推荐文章于 2024-07-15 09:00:00 发布

阅读量198

点赞数

分类专栏：算法

本文链接：https://blog.csdn.net/u012494820/article/details/81501361

版权

算法专栏收录该内容

4 篇文章 0 订阅

订阅专栏

动态规划之背包问题

参考《背包问题九讲》

问题描述：

给定一个容量为N的背包，给定m件物品，每件物品价值为w[i]、费用为c[i]，求如何选择物体可以使物体的费用不超过背包的总容量，且背包能够带走的最大的价值。
1. 如果限定每件物品只有一件，则为0-1背包问题；
2. 如果每件物品的数量不受限制，则为完全背包问题；
3. 如果限定每件物品的数量为n[i]件，则为多重背包问题；
4. 将1、2和3的情况融合，即，有的物品只有一件、有的物品数量不受限制、有的数量为n[i]件，则为混合背包问题；
5. 当选择一件物品必须同时付出两种代价v[i]和u[i]时，是多重费用背包问题；
6. 当物体之间有冲突，某几个物体中只能选择一个时，为分组背包问题；
7. 当选择A物体的前提是必须选择B物体，则为有依赖的背包问题

思路

背包问题属于典型的动态规划问题，需要使用状态转移方程求解，必须理解状态转移方程的含义。在下面求解过程中，将各个问题进行抽象，以伪代码的形式给出解答。

1. 0-1背包问题：

f[i][v]表示：对于容量为v的背包，在给定物体中只考虑前i件物品，所能获得的最大总价值。
状态转移方程：
f[i][v] = max{f[i-1][v], f[i-1][v-c[i]]+w[i]}
这种解法需要维护一个m*N的二维数组，然后从上到下、从左到右地建立数组，最终数组右下角的值既为能带走的最大value。
伪代码：

for irow = 1 <-- bagsize
    for jobj = 1 <-- object_number
        if cost[jobj] > irow:
        # bag cannot hold the object
        else:
        # bag can hold the object

代码实现：GitHub。

我们可以将空间复杂度可以从O(mxN)优化为O(N)，即使用一维数组求解0-1背包问题，在每次地推f[i][v]时，让v由大到小变化即可。f[v]含义为：（设处理数组第i个元素）尺寸为i的背包能够带走的最大价值
伪代码：

zero_one_package(cost, worth, bagsize,f):
    for v = bagsize <-- 0
        f[v] = max{f[v-cost]+worth, f[v]}
for i = 1 <-- object_num
    zero_one_package(c[i], w[i], bagsize, f)

代码实现：GitHub。

0-1背包优化思路：
idea1：对于循环for v = bagsize <-- 0，可以优化下界：for v = bagsize <-- cost[i]，即当cost[i]超过bagsize时，此物体必然不能装入bag

2. 完全背包

思路1：由于每件物体的数量不受限制，我们可以采用二进制的思想将一件物品变换为等价的k件物品，它们的cost和value分别为n*c和n*value，n = 2^{k}, k=0,1,..,[log2(n/w)]。不论最终对此件物品选择多少件，都可以等价于在拆分过的物体集合上求解0-1背包问题。
思路2：基于0-1背包的求解思路，递推f[v]时，让bagsize由小到大的变化.
伪代码：

complete_package(cost, worth, bagsize,f):
    for v = 0 <-- bagsize
        f[v] = max{f[v-cost]+worth, f[v]}
for i = 1 <-- object_num
    zero_one_package(c[i], w[i], bagsize, f)

代码实现：GitHub

3. 多重背包

记第i种物品有n[i]件，则对于第i种物品共有n[i]+1个选择策略。多重背包问题与完全背包问题类似，状态转换方程可以写为：
f[i][v] = max{f[i-1][v-k*c[i]] + k*w[i]}, 0 <= i <=n[i]
即，遍历特定物体所能出现的各种情况，选择效果最优的
我们可以对物体进行拆分，从而降低时间复杂度。记第i种物品有n[i]件，则拆分的系数为： $1, 2, 4, ..., 2^{k-1}, n[i]-2^{k}+1$ ，将物体的费用和价值分别乘以这些系数，得到拆分后等价的物体，物体就被拆分为 $log(n[i]) + 1$ 件物品。
代码：GitHub

4. 混合背包

在一个背包问题中，一些物体只有一件（01背包）、一些物体有无穷多件（完全背包）、一些物体有有限数目件（多重背包）。对于容量给定的背包，如何选择物体，使得可以带走最多的价值？
求解混合背包问题，先写出01背包、完全背包和多重背包这三种问题对应的程序。在迭代中，对于具体的物体按照具体的程序进行迭代即可。

5. 二维费用的背包问题

当费用增加一维时，状态也增加一维，状态转化方程为：
$f[i][u][v]=max\{f[i-1][u][v],f[i-1][u-c[i]][v-d[i]]+w[i]\}$

6. 分组背包问题

每一个分组的选择策略包括：选择本组中的某一件物品或者一件物品也不选，按组进行迭代
for i所有组k:
for f = bag size <– 0
for 组k中的所有物体
f[v] = max{f[v], f[v-c[i]]+w[i]}

7. 有依赖的背包问题

首先，考虑在一个主件和它的附件集合中进行选择，若含有n个附件，则选择的策略有 $2^n+1$ 种，范围巨大。由于各个策略之间互斥，考虑对于费用相同的策略，只保留价值最高的一个。采用“01背包”方法处理附件集合，得到长度为v-c[i]+1的物品组及其对应的最大价值。在此基础上再采用分组背包问题的方法求解。